醫(yī)療領(lǐng)域存在一些長久以來的弊病，現(xiàn)在很多人相信人工智能技術(shù)有望為這些問題帶來根本性的解決方案。近日，Nature Medicine 發(fā)布了斯克里普斯研究所（Scripps Research）Eric J. Topol 的「高性能醫(yī)學(xué)」綜述論文，文中認(rèn)為醫(yī)學(xué)領(lǐng)域內(nèi) AI 的發(fā)展目標(biāo)是人類智能與機(jī)器智能的結(jié)合。

有標(biāo)注大數(shù)據(jù)的使用以及顯著提升的計(jì)算能力和云存儲(chǔ)實(shí)現(xiàn)了人工智能在各行各業(yè)的應(yīng)用，尤其是其中的深度學(xué)習(xí)子類別。在醫(yī)學(xué)領(lǐng)域，人工智能開始在三個(gè)層面產(chǎn)生影響：臨床（主要是通過快速、準(zhǔn)確的圖像解讀）、健康系統(tǒng)（通過改善工作流程和降低醫(yī)療錯(cuò)誤的潛力）、病人（讓他們能處理自己的數(shù)據(jù)，從而提升健康狀況）。本文也將會(huì)討論當(dāng)前的局限性（包括偏差/偏見、隱私和安全、缺乏透明）以及這些應(yīng)用的未來方向。隨著時(shí)間的推移，準(zhǔn)確度、生產(chǎn)力和工作流程方面很可能能夠?qū)崿F(xiàn)顯著的提升，但這會(huì)被用于改善醫(yī)患關(guān)系還是導(dǎo)致其惡化，這一點(diǎn)還有待觀察。

醫(yī)學(xué)位于兩大主要趨勢(shì)的交叉口。第一個(gè)趨勢(shì)是業(yè)務(wù)模式的失敗——雖然與醫(yī)療保健相關(guān)的支出和工作崗位都在增加，但關(guān)鍵的結(jié)果卻每況愈下，包括美國預(yù)期壽命下降以及較高的嬰兒、兒童和孕產(chǎn)婦死亡率。這體現(xiàn)了一個(gè)悖論，一個(gè)并不僅限于美國醫(yī)學(xué)界的悖論：投入更多人力資本卻得到了更糟糕的人類健康狀況。第二個(gè)趨勢(shì)是數(shù)據(jù)正大規(guī)模地生成，其來源包括高分辨率醫(yī)療成像、具有持續(xù)的生理指標(biāo)輸出的生物傳感器、基因組測(cè)序和電子病歷。僅靠人類很顯然已經(jīng)難以分析這些數(shù)據(jù)，也就必須增加對(duì)機(jī)器的依賴。因此，為了提供醫(yī)療保健，在對(duì)人類的依賴超越以往的同時(shí)，我們也迫切需要算法提供幫助。然而，在醫(yī)學(xué)領(lǐng)域，人類與人工智能（AI）的整合才剛剛開始。

從更深層次看，醫(yī)療保健領(lǐng)域存在顯著的長期缺陷，正是這些缺陷導(dǎo)致其回報(bào)越來越低。其中包括大量嚴(yán)重的誤診、治療方法錯(cuò)誤、資源的極大浪費(fèi)、低效的工作流程、不平等、患者和臨床醫(yī)生之間時(shí)間不足。帶著改善這些問題的渴望，醫(yī)療行業(yè)的領(lǐng)軍者與計(jì)算機(jī)科學(xué)家聲稱 AI 也許能幫助解決所有這些問題。也許最后確實(shí)會(huì)如此，但研究者才剛剛開始使用神經(jīng)網(wǎng)絡(luò)來改良醫(yī)療實(shí)踐中的弊病。在這篇回顧中，我收集了很多在醫(yī)學(xué)領(lǐng)域使用 AI 的已有證據(jù)，并列出了其中的機(jī)會(huì)和陷阱。

臨床醫(yī)生使用的人工智能

幾乎每種類型的臨床醫(yī)生（從專科醫(yī)生到護(hù)理人員）未來都將會(huì)使用 AI 技術(shù)，尤其是深度學(xué)習(xí)。這很大程度上涉及到使用（DNN）的模式識(shí)別，這可以幫助解讀醫(yī)療掃描結(jié)果、病理切片、皮膚病變、視網(wǎng)膜圖像、心電圖、內(nèi)窺鏡檢查、面部和生命體征。我們通常使用一種真陽性與假陽性比率的圖表（被稱為受試者工作特征曲線（ROC））來比較神經(jīng)網(wǎng)絡(luò)的解讀結(jié)果與醫(yī)生的評(píng)估，使用該曲線下的面積（AUC）來表示神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確度水平。

放射科

病理學(xué)

皮膚科

眼科

心臟病學(xué)

消化內(nèi)科

心理健康

表 1：與醫(yī)生比較的經(jīng)過同行評(píng)議的 AI 算法論文

表 2：美國食品藥品監(jiān)督管理局（FDA）正在加速審批 AI

人工智能與健康系統(tǒng)

理論上而言，預(yù)測(cè)關(guān)鍵性結(jié)果的能力能讓醫(yī)院更有效和更準(zhǔn)確地使用姑息療法。

使用電子病歷數(shù)據(jù)，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法可以預(yù)測(cè)很多重要的臨床參數(shù)，涵蓋阿爾茨海默病到死亡等許多情況。

表 3：這里選擇性地展示了一些用于預(yù)測(cè)臨床結(jié)果和相關(guān)參數(shù)的機(jī)器學(xué)習(xí)與深度學(xué)習(xí)算法

除了電子病歷的數(shù)據(jù)，也可以使用影像來提升預(yù)測(cè)準(zhǔn)確度。有多項(xiàng)研究試圖預(yù)測(cè)生物學(xué)年齡，而結(jié)果已經(jīng)表明使用基于 DNA 甲基化的生物標(biāo)志物來完成這一任務(wù)是最佳的。

人工智能與患者

深度學(xué)習(xí)算法的發(fā)展讓公眾可以將自己的醫(yī)療保健掌控在自己手中，但這方面的工作目前落后于臨床和健康系統(tǒng)。這類算法中有一些已經(jīng)獲得了 FDA 的批準(zhǔn)，正處于后期臨床開發(fā)階段。

圖 2：AI 在人類生命周期中的應(yīng)用實(shí)例。dx 表示診斷；IVF 表示體外受精；K+ 表示血鉀水平

研究者也在尋求通過 AI 借助智能手機(jī)完成一些醫(yī)療診斷，其中包括皮膚病變和皮疹、耳部感染、偏頭痛和視網(wǎng)膜疾?。ū热缣悄虿⌒砸暰W(wǎng)膜病變以及與年齡相關(guān)的黃斑變性）。

科學(xué)家也在研究如何整合有關(guān)人體健康狀況的多模態(tài)數(shù)據(jù)。最終，當(dāng)可以整合一個(gè)個(gè)體的所有數(shù)據(jù)與醫(yī)療文獻(xiàn)語料庫時(shí)，就有可能實(shí)現(xiàn)全面系統(tǒng)的預(yù)防方法。

圖 3：使用多模態(tài)數(shù)據(jù)輸入和算法的虛擬醫(yī)療教練模型，能夠提供個(gè)性化的指導(dǎo)。使用來自個(gè)體的全面輸入的虛擬醫(yī)療教練經(jīng)過深度學(xué)習(xí)后，可以為人們提供保持健康的建議。

人工智能與數(shù)據(jù)分析

在臨床實(shí)踐的上游，生命科學(xué)領(lǐng)域內(nèi)的 AI 進(jìn)展明顯要快得多，也有廣泛的有同行評(píng)議的出版物，這是在沒有監(jiān)管監(jiān)督時(shí)更容易驗(yàn)證的道路，而且科研界有遠(yuǎn)遠(yuǎn)更強(qiáng)的實(shí)現(xiàn)意愿。正如聽診器是醫(yī)生的標(biāo)志一樣，顯微鏡是科學(xué)家的標(biāo)志?？茖W(xué)家目前正在研究一些「無圖像的」顯微方法。除了改進(jìn)無圖像顯微方法和細(xì)胞分析，深度學(xué)習(xí)人工智能也已被用于恢復(fù)或修復(fù)失焦圖像。而且計(jì)算機(jī)視覺也已經(jīng)幫助實(shí)現(xiàn)了單個(gè)細(xì)胞內(nèi)的 40-plex 蛋白質(zhì)和細(xì)胞器的高通量評(píng)估。

研究者也在使用 AI 工具來提升對(duì)癌癥演化方式的理解——他們將一種算法用在了多區(qū)域腫瘤測(cè)序數(shù)據(jù)上，將計(jì)算機(jī)視覺用于通過微流體隔離的在單個(gè)細(xì)胞分辨率上的活體癌細(xì)胞分析。

既然我們已經(jīng)在用「神經(jīng)網(wǎng)絡(luò)」描述 AI 了，那么生物神經(jīng)科學(xué)與人工智能互相提供靈感也就不足為奇了。

AI 已被用于重建神經(jīng)回路，能讓我們根據(jù)電子顯微成像理解連接組。AI 帶來的一個(gè)最激動(dòng)人心的進(jìn)展是理解人類大腦的網(wǎng)格細(xì)胞。反過來，神經(jīng)形態(tài)計(jì)算（通過對(duì)大腦逆向工程來研發(fā)計(jì)算機(jī)芯片）不僅能實(shí)現(xiàn)更高效的計(jì)算，還能幫助研究者理解大腦回路和構(gòu)建腦機(jī)接口。使用遷移學(xué)習(xí)算法實(shí)現(xiàn)人類和動(dòng)物行為的機(jī)器視覺跟蹤是另一個(gè)正在進(jìn)行中的進(jìn)展。

AI 正在多個(gè)層面上改寫藥物發(fā)現(xiàn)的方式，包括對(duì)生物醫(yī)學(xué)文獻(xiàn)的復(fù)雜的自然語言處理搜索、對(duì)數(shù)百萬分子結(jié)構(gòu)的數(shù)據(jù)挖掘、設(shè)計(jì)和制作新的分子、預(yù)測(cè)脫靶效應(yīng)和毒性、預(yù)測(cè)實(shí)驗(yàn)藥物的合適劑量以及進(jìn)行大規(guī)模的細(xì)胞檢測(cè)分析。

局限和挑戰(zhàn)

盡管 AI 技術(shù)有望實(shí)現(xiàn)所有這些成就，但也存在艱巨的障礙和陷阱。AI 當(dāng)前的炒作熱潮已經(jīng)遠(yuǎn)遠(yuǎn)超出了 AI 科學(xué)的當(dāng)前現(xiàn)狀，尤其涉及到病患護(hù)理中的實(shí)現(xiàn)的驗(yàn)證和可讀性時(shí)。IBM Watson Health 的癌癥 AI 算法（被稱為 Watson for Oncology）就是近期的一個(gè)案例。這個(gè)算法已被全球數(shù)百家醫(yī)院用于為癌癥患者推薦治療方法，但該算法卻基于少量合成的、非真實(shí)的案例，僅有非常有限的腫瘤專家的輸入（真實(shí)數(shù)據(jù)）。實(shí)際輸出的很多治療方法建議都被證明是錯(cuò)誤的，比如建議嚴(yán)重出血的患者使用貝伐珠單抗（Bevacizumab），這是一種明確的禁忌癥狀和該藥物的「黑箱」警告。這個(gè)例子說明有缺陷的算法有可能會(huì)給患者造成重大的傷害，導(dǎo)致醫(yī)療事故。不同于一位醫(yī)生的錯(cuò)誤只會(huì)傷害到一位病人，機(jī)器算法有可能帶來巨大的醫(yī)源性風(fēng)險(xiǎn)（iatrogenic risk）。因此在將 AI 算法用于醫(yī)療實(shí)踐時(shí)，需要進(jìn)行系統(tǒng)性的調(diào)試、審計(jì)、廣泛的模擬和驗(yàn)證以及前瞻性的審查。還需要更多證據(jù)和穩(wěn)健的研究以達(dá)到 FDA 近期已經(jīng)降低了的審批醫(yī)療算法的監(jiān)管要求。

有關(guān)算法的黑箱的內(nèi)容已被寫了很多，圍繞這一主題的爭論也有很多；尤其是在 DNN 的情況中，我們有可能無法理解輸出的決定因素。這種不透明帶來了可解釋性需求，比如，歐盟的《一般數(shù)據(jù)保護(hù)條例》要求在將算法用于患者護(hù)理之前需要有透明性——打開算法的黑箱。盡管是否可以接受為患者護(hù)理使用不透明算法的爭議尚未解決，但仍需指出醫(yī)學(xué)實(shí)踐的很多方面都是不可解釋的，比如在不知道作用機(jī)制的前提下的藥物處方。

不平等是現(xiàn)今最重要的問題之一，尤其是在美國，也就是醫(yī)療護(hù)理并不向所有公民提供。大家都知道社會(huì)經(jīng)濟(jì)地位是過早死亡的一個(gè)主要風(fēng)險(xiǎn)因素，有產(chǎn)者和無產(chǎn)者對(duì) AI 的不成比例的應(yīng)用可能拉大兩者之間的現(xiàn)有差距。這種已經(jīng)存在的不平等之所以會(huì)加大，一個(gè)原因是現(xiàn)今很多算法中嵌入的偏見，這又源自于數(shù)據(jù)集中缺乏對(duì)少數(shù)群體的覆蓋。比如，有的診斷黑素瘤的皮膚科算法沒有覆蓋不同膚色以及使用基因組數(shù)據(jù)語料庫，這樣的算法在代表性不足的少數(shù)群體上存在嚴(yán)重問題。盡管有人認(rèn)為算法偏見還比不上人類偏見，但仍然還需要很多工作以消除嵌入的偏見，也需要爭取讓醫(yī)療研究提供真正有代表性的人口情況。

AI 在醫(yī)學(xué)領(lǐng)域的未來的一個(gè)最重要問題是能在確保數(shù)據(jù)的隱私和安全上做到多好。鑒于普遍存在的黑客攻擊和數(shù)據(jù)泄露問題，人們將不會(huì)有什么興趣使用有風(fēng)險(xiǎn)泄漏患者病歷細(xì)節(jié)的算法。此外，也存在故意攻擊算法以造成大規(guī)模傷害的風(fēng)險(xiǎn)，比如為糖尿病過量使用胰島素或刺激除顫器在心臟病患者的胸腔內(nèi)放電。通過人臉識(shí)別或基因序列從大規(guī)模數(shù)據(jù)庫中識(shí)別個(gè)人身份的可能性正越來越高，這又會(huì)進(jìn)一步阻礙對(duì)隱私的保護(hù)。與此同時(shí)，生成對(duì)抗網(wǎng)絡(luò)也可能模糊真相，幾乎有無限的操縱內(nèi)容的可能性，從而可能對(duì)健康非常不利。我們需要新的個(gè)人健康數(shù)據(jù)所有權(quán)模式、高度安全的數(shù)據(jù)平臺(tái)和政府立法（正如愛沙尼亞已經(jīng)實(shí)現(xiàn)的那樣），這樣才能應(yīng)對(duì)迫在眉睫的安全問題，否則 AI 在醫(yī)療領(lǐng)域的發(fā)展就會(huì)遭遇阻礙或失去機(jī)會(huì)。

考慮未來

我在這篇回顧中強(qiáng)調(diào)的一個(gè)關(guān)鍵點(diǎn)是將 AI 帶入醫(yī)學(xué)領(lǐng)域的故事才剛剛開始。對(duì)于機(jī)器能夠執(zhí)行的幫助臨床醫(yī)生或?qū)】迪到y(tǒng)有用的預(yù)測(cè)臨床結(jié)果的任務(wù)，前瞻性的驗(yàn)證真的非常少，對(duì)于以用戶為中心的算法就更少了。這個(gè)領(lǐng)域的承諾確實(shí)很多，而數(shù)據(jù)和證明相對(duì)較少。錯(cuò)誤算法的風(fēng)險(xiǎn)極大高于單個(gè)醫(yī)生-病患交互的風(fēng)險(xiǎn)，但是降低誤差、低效和成本的回報(bào)也很大。因此，醫(yī)學(xué)領(lǐng)域的 AI 不能有例外——在患者護(hù)理中推出和實(shí)現(xiàn)之前，它需要嚴(yán)格的研究、在有同行評(píng)議的期刊上發(fā)表結(jié)果以及在真實(shí)世界環(huán)境中的臨床驗(yàn)證。

圖 4：呼吁醫(yī)學(xué)領(lǐng)域中 AI 研究應(yīng)有正當(dāng)?shù)某绦?。在患者護(hù)理中實(shí)現(xiàn)之前，必需先在有同行評(píng)議的期刊上發(fā)表結(jié)果，在真實(shí)世界醫(yī)學(xué)場(chǎng)景中驗(yàn)證。

有了這些警告，對(duì) AI 最終將如何整合進(jìn)來要有合理的預(yù)期，這一點(diǎn)也很重要?，F(xiàn)今有一種廣泛的炒作，說是醫(yī)生會(huì)被機(jī)器取代，我們可以將其與現(xiàn)實(shí)測(cè)試的自動(dòng)駕駛汽車模型類比看看。大多數(shù)人都同意自動(dòng)汽車是到目前為止 AI 最頂尖的技術(shù)成就，但「自動(dòng)」一詞頗具誤導(dǎo)性。汽車工程師協(xié)會(huì)（SAE）已經(jīng)定義了五個(gè)自動(dòng)化層級(jí)，其中第 5 級(jí)表示在所有情況下都完全由汽車控制，人類沒有任何可能性作為后備或接管汽車?，F(xiàn)在普遍認(rèn)為這種定義的完全自動(dòng)化很可能永遠(yuǎn)無法實(shí)現(xiàn)，因?yàn)槟承┉h(huán)境或道路條件會(huì)使得我們無法安全地使用這種車輛?；谕瑯拥脑颍t(yī)學(xué)可能永遠(yuǎn)無法突破第 3 級(jí)，這是一種有條件的自動(dòng)化，因?yàn)槠渲锌隙ㄐ枰祟悂肀O(jiān)管算法對(duì)圖像和數(shù)據(jù)的解讀。很難想象在治療病人時(shí)僅有非常有限的人類后備（第 4 級(jí)）。人類的健康太寶貴了——除了風(fēng)險(xiǎn)極小的日常事務(wù)之外，還遠(yuǎn)遠(yuǎn)不能將其托付給機(jī)器。

圖 5：自動(dòng)駕駛汽車與醫(yī)學(xué)自動(dòng)化的類比。第 5 級(jí)是不存在人類醫(yī)生作為后備可能性的完全自動(dòng)化，這不是目標(biāo)。第 4 級(jí)是僅在非常有限的條件下使用人類備份，這也不是目標(biāo)。目標(biāo)是協(xié)同，將機(jī)器做得最好的功能與那些最適合臨床醫(yī)生的工作結(jié)合起來。

激動(dòng)人心的發(fā)展就在前方，但可能會(huì)比很多人預(yù)測(cè)的更遠(yuǎn)——軟件將快速、準(zhǔn)確和低成本地消化和有意義地處理大規(guī)模數(shù)據(jù)，機(jī)器將有能力實(shí)現(xiàn)人類無法看到或做到的事情。這一能力最終將成為高性能醫(yī)學(xué)的基礎(chǔ)，這是真正由數(shù)據(jù)驅(qū)動(dòng)的，能減輕我們對(duì)人類資源的依賴，并最終將讓我們超越人類智能和機(jī)器智能單純相加之和。在生物醫(yī)學(xué)領(lǐng)域和發(fā)現(xiàn)中已經(jīng)實(shí)現(xiàn)的進(jìn)展在被接受和廣泛實(shí)現(xiàn)方面遇到的挫折要小得多，這些上游進(jìn)展將引領(lǐng)這一人機(jī)共生。